机器学习算法基础2

一、机器学习算法的实现-估计器

在sklearn中，估计器(estimator)是一个重要的角色，分类器和回归器都属于estimator，是一类实现了算法的API

1、用于分类的估计器：

•sklearn.neighbors  k-近邻算法

•sklearn.naive_bayes      贝叶斯

•sklearn.linear_model.LogisticRegression     逻辑回归

2、用于回归的估计器：

•sklearn.linear_model.LinearRegression     线性回归

•sklearn.linear_model.Ridge      岭回归

3.估计器的工作流程

 4.分类算法-k近邻算法（knn）

定义：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。

来源：KNN算法最早是由Cover和Hart提出的一种分类算法

计算距离公式：

两个样本的距离可以通过如下公式计算，又叫欧式距离

比如说，a(a1,a2,a3),b(b1,b2,b3)

 sklearn Knn API：

• sklearn.neighbors. KNeighborsClassifier ( n_neighbors =5,algorithm='auto')

• n_neighbors ： int, 可选（默认 = 5 ）， k_neighbors 查询默认使用的邻居数

•

• algorithm ： {‘auto’ ， ‘ ball_tree ’ ， ‘ kd_tree ’ ， ‘brute’} ，可选用于计算最近邻居的算法： ‘ ball_tree ’ 将会使用 BallTree ， ‘ kd_tree ’ 将使用 KDTree 。 ‘auto’ 将尝试根据传递给 fit 方法的值来决定最合适的算法。 ( 不同实现方式影响效率 )

实例流程：

1.数据集的处理

2.分割数据集

3.数据集进行标准化

4.estimator流程进行分类预测

K-近邻算法优缺点：

• 优点：

• 简单，易于理解，易于实现， 无需估计参数，无需训练

• 缺点：

• 懒惰算法，对测试样本分类时的计算量大，内存开销大

• 必须指定 K 值， K 值选择不当则分类精度不能保证

• 使用场景：小数据场景，几千～几万样本，具体场景具体业务

去测试

5.分类模型的评估

• estimator.score ()

• 一般最常见使用的是 准确率 ，即预测结果正确的百分比

混淆矩阵

• 在分类任务下，预测结果 (Predicted Condition) 与正确标记 (True Condition) 之间存在四种不同的组合，构成混淆矩阵 ( 适用于多分类 )

 

 

 分类模型评估API：

•sklearn.metrics.classification_report

5.分类算法-朴素贝叶斯算法

应用：

 

 

 

 

 

 sklearn朴素贝叶斯实现API：

• sklearn.naive_bayes. MultinomialNB

• sklearn.naive_bayes.MultinomialNB ( alpha = 1.0 )

• 朴素贝叶斯分类

• alpha ：拉普拉斯平滑系数

6.模型的选择与调优

1、交叉验证

2、网格搜索

 超参数搜索-网格API

• sklearn.model_selection. GridSearchCV

7.分类算法-决策树，随机森林

 

 常见决策树使用的算法：

• ID3

信息增益 最大的准则

• C4.5

信息增益比 最大的准则

• CART

回归树: 平方误差 最小

分类树: 基尼系数   最小的准则 在sklearn中可以选择划分的原则

 

 随机森林：

　　随机森林是一种集成学习方法，包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分类的做出预测。

学习算法

根据下列算法而建造每棵树：

• 用 N 来表示训练用例（样本）的个数， M 表示特征数目。

• 输入特征数目 m ，用于确定决策树上一个节点的决策结果；其中 m 应远小于 M 。

• 从 N 个训练用例（样本）中以 有放回抽样 的方式，取样 N 次，形成一个训练集（即 bootstrap 取样），并用未抽到的用例（样本）作预测，评估其误差。

• 为什么要随机抽样训练集？　　

如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

• 为什么要有放回地抽样？

　　如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

集成学习API：

• class  sklearn.ensemble.RandomForestClassifier ( n_estimators =10 ,  criterion=’ gini ’ ,

 max_depth=None, bootstrap=True, random_state=None)

•随机森林分类器

•n_estimators：integer，optional（default = 10） 森林里的树木数量

•criteria：string，可选（default =“gini”）分割特征的测量方法

•max_depth：integer或None，可选（默认=无）树的最大深度

•bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样

随机森林的优点

• 在当前所有算法中，具有极好的准确率

• 能够有效地运行在大数据集上

• 能够处理具有高维特征的输入样本，而且不需要降维

• 能够评估各个特征在分类问题上的重要性

• 对于缺省值问题也能够获得很好得结果